什么是时间序列预测法

预测的目的就是为了把握未来。通常的预测方法假设历史会重演而将预测建立在此基础之上，这就是所谓的时间序列预测法。该方法将预测的结果建立在按时间连续观察或收集的数据的基础之上。如连续24个月的销售额就是一个时间序列。时间序列预测法有三种基本模式：朴素模式法、移动平均法、指数平滑法。

时间序列预测有两个基本的假设前提：第一，被预测的对象是稳定的，历史资料能够对其进行准确的预测；第二，历史资料包括有用信息和干扰信息。有用信息是稳定的，能用来预测未来的；干扰信息则主要反映出预测对象的随机波动性。在时间序列预测中主要的问题就是将有用的信息和容易引起误解的干扰信息分开。时间序列预测方法的选用取决于历史资料中有用信息和干扰信息的比率。

朴素模式法认为时间序列资料中只有很少的有用信息，而大多数为干扰信息。因此预测应主要依赖于近期资料。它的预测模式为：

即第t＋1期的预测值就是第t期的实际值。运用这种模式，2月份的销售额就是1月份的销售额。这种模式称为随机移动方式，它认为历史资料不含有用的信息。它也可以通过加入某些信息而加以改进。如可以认为序列数据不是静止的，该模式可改写为将本期和上期的变化融入这种趋势中的形式。

移动平均法认为时间序列资料中既包含有用信息又包括“干扰信息”。有用信息代表着序列数据在考虑期内的稳定波动性，但观察到它并不十分容易，因为常有一些干扰信息引起随机波动。移动平均法就是要对数据进行平滑处理来消除这种干扰信息。一个时距为三个月的移动平均法要用到三个月的平均值，见表3-1。

表3-1　某公司销售数据

这样4月份的预测值：

5月份的预测值：

6月份的预测值：

同理可推算出第7、8、9月份的预测值分别为：158，160，153。

在使用移动平均法进行预测时，在预测前必须决定移动的时间间距为多大。时间间距越小，近期数据对于预测的影响越大。

第三种时间序列预测法是指数平滑法，它用的是所有的数据进行预测。该法将历史数据不断进行更新以便预测未来的发展，它含有一个平滑指数α，反映预测者对近期观察值的重视程度。

或：

下面是关于此方法的实例，假设平滑指数为0.4，见表3-2。

表3-2　某公司销售数据

2月份预测值：

3月份预测值：

同理可以得到4、5、6、7、8月份的预测值分别为：245，267，330，402，395。

从以上的例子我们可以得出关于平滑指数法的特征：第一，平滑指数的取值在0～1之间，指数为0表示不考虑现值，指数为1表示不考虑预测值；第二，该模式需要假定第一个预测值，在例子中，首期的观察值即为预测值；第三，上面示范的简单的指数平滑法为各时间序列的未来值都做出了预测。如果出现季节性变化因素，该模型需要修正。

时间序列技术（如移动平均法和平滑指数法）都是用过去的资料来预测如销售额之类的变量的未来值。没有人敢断言这些模式适用于所有情况。两种模式都有严重的缺陷：第一，当预测是建立在过去的观察值基础上时，资料的准备要求更加规范化；第二，历史资料中的有用信息在某些场合与其他信息在一起被筛选。